XTX의 당시 공개 설명은 53,000개 이상 금융상품의 가격을 기계학습으로 예측하고 이를 거래와 고객 유동성 공급에 사용한다는 내용이다. 주식뿐 아니라 채권·외환·원자재 등을 포함한다. 상품의 수는 예측 대상의 범위를 나타내며 각 상품에서 모형이 우수했다는 성과 지표는 아니다.
별도 연구조직 XTY Labs와 연산·저장 기반도 소개됐다. 당시 공개 인프라는 25,000개 이상 GPU와 1EB 이상 사용 가능한 저장공간이다. 이는 현재값으로 갱신한 수치가 아니다. 연구팀은 잡음이 많은 자료에서 예측을 만들고 빠른 피드백으로 개선한다고 설명하지만 인프라 규모 자체는 예측의 경제적 가치를 결정하지 않는다.
빠른 피드백이 무엇을 뜻하는지 국내 연구에서 구체화하려면 실험 완료부터 오류 확인과 수정까지의 시간을 기록할 수 있다. 다만 이것은 공개 운영에서 얻은 설계 가설이다. 회사 소개와 채용자료만으로 특정 대형 모형의 성과나 별도 연구조직이 실거래에 기여한 크기를 추정할 수 없다.
SCOPE공식 운영 소개의 역사적 기록이다. 인프라 수치를 현재값으로 취급하지 않았고 수익 우위도 추정하지 않았다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
XTX Markets / XTY Labs — 최첨단 ML 연구를 실제 트레이딩 모델로 얼마나 빨리 넘길 수 있는가0 primary · 2 archived +
These 2 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.
Read the earlier record ↓Show the original briefing text
구분: 회사 공식 채용·연구자료
XTY Labs 설립: 2024년 / 현재 AI Research 프로그램 운영 확인
원문 링크: https://www.xtxmarkets.com/careers/
XTX 공식 회사 페이지: https://www.xtxmarkets.com/
공개적으로 확인된 사실
XTX Markets는 현재 ML로 53,000개 이상의 주식·채권·FX·원자재·암호자산 가격을 예측하고, 그 예측을 거래소·대체거래소 매매와 고객 유동성 공급에 사용한다고 공식적으로 밝힌다. 공개 인프라는 25,000개 이상의 GPU와 1EB 이상의 usable storage 규모다.
XTY Labs는 XTX 내부의 별도 ML 연구조직으로, 현재 공식 careers 페이지에서 AI research 역할을 운영하고 있다. XTX는 quant research 조직이 대규모 noisy financial data에서 ML을 사용해 가격 forecast를 생산하고, 빠른 feedback loop를 통해 지속적으로 모델을 개선한다고 설명한다.
수익 메커니즘 — 추론
앞서 XTX에서 봤던 중요한 구조가 ML fair value → liquidity/risk warehousing이었다면, XTY Labs에서 추가로 봐야 할 부분은 research frontier 자체를 production edge로 바꾸는 속도다.
경제적 구조는:
새 ML technique
→ 금융데이터 OOS 검증
→ 기존 model 대비 incremental edge
→ production deployment
→ 더 좋은 forecast
→ 더 좋은 pricing / risk decision
으로 볼 수 있다.
즉 새로운 Transformer나 diffusion architecture가 흥미롭다는 이유만으로 쓰는 것이 아니라 현재 production model을 실제로 얼마나 개선하는가가 최종 기준이 된다. 구체적인 모델·알파 전략은 공개되지 않았다.
한국 채권시장에 복제한다면
내부 연구에도 Champion–Challenger 구조를 권한다.
현재 production model을 Champion으로 고정하고 새로운 모델은 항상:
동일 데이터
동일 OOS 기간
동일 거래비용
동일 DV01
동일 execution assumption
에서 경쟁시킨다.
그리고 challenger가 단순 RMSE가 아니라
- net P&L
- tail loss
- mark-out
- turnover
- latency
를 의미 있게 개선할 때만 production으로 승격한다.
이 구조가 있으면 새로운 AI 논문이 매주 나와도 **“신기해서 도입”하는 것이 아니라 “돈이 돼서 승격”**할 수 있다.
복제 난이도: ★★★★☆
복제 가치: ★★★★★